基于模糊补偿的RBF神经网络机械手控制

针对机械手系统的高精度轨迹跟踪控制,提出了一种基于模糊补偿的RBF（radial basis function）神经网络机械手控制方法.该方法首先利用PD（proportional-integral）控制器获得机械手的控制策略,将其输出作为RBF神经网络的输入,并学习得到系统模型;然后运用模糊逻辑补偿器对系统扰动和建模误差进行补偿;最后,在MATLAB/Simulink平台上针对两关节机械臂,进行了有模糊补偿和无模糊补偿系统跟踪的均方根误差测量仿真实验.研究结果表明,两关节机械臂的控制精度分别提高了60.8%和71.4%,本文提出的方法能够解决机械手实际模型很难精确建立的问题,并能对系统未建模部分和扰动部分进行自适应补偿.      

大数据背景下基于特征学习的机械设备剩余寿命预测

传统数据驱动剩余寿命的预测方法是通过信号处理从监测数据中手动提取特征并构建健康指标，而在大数据背景下，手动提取特征需要特定专家知识并耗费大量人力，为解决该问题，提出了一种基于特征学习的机械设备剩余寿命预测方法——自适应特征学习寿命预测方法（AFLRULP）. 该方法构建移动窗口数据矩阵解决单次采样中的数据波动问题，并建立了多层一维卷积神经网络将数据矩阵映射为机械设备的健康状态；根据失效阈值可以计算出机械设备的剩余寿命；采样轴承全寿命周期数据集合对提出的AFLRULP进行验证，并且与传统基于手动提取特征的方法进行寿命预测准确性的对比. 研究结果表明:AFLRULP不需要人工提取特征，可从原始监测数据映射为机械设备的性能状态与剩余寿命，相对于现有的基于手动提取特征的寿命预测方法，提出的方法在轴承寿命预测累积相对准确率上平均提高了0.20.      

角接触球轴承微动磨损行为

为了解载荷、摆动角度和循环次数对角接触球轴承微动磨损行为的影响,用自制的轴承微动试验装置对角接触球轴承QJ208在干态下进行了3种摆角(0.88°、1.21°和1.54°)、4种轴向载荷(2.5、5.0、10.0和20.0 kN)、2种循环次数(2和12万次)的摆动微动试验,在此基础上,对轴承磨痕进行分析.结果表明:外圈上微动磨损随载荷增大而减缓,随摆角增大而加重,随循环次数的增加,其磨损增幅趋缓;在摆角为0.88°时,磨损机制以疲劳磨损为主,在摆角为1.54°时,则以磨粒磨损为主;在同一钢球接触处,外圈上的磨痕比内圈上的磨痕严重.     

基于压缩感知理论的时变信号压缩技术

机械设备在线状态监测与故障诊断系统中,为实现采集数据的远程传输和实时处理,需对数据进行压缩和滤波处理.通过分析机械振动信号时变性的特点,以压缩感知理论为基础,构造了满足受限等距性质(restricted isometric property, RIP)的稀疏变换矩阵和压缩感知矩阵;提出了基于压缩感知的时变信号压缩算法,并利用Lasso算法对压缩信号进行稀疏重构,恢复原始信号.采用不同类型的时变仿真信号和实测信号进行实验,对比了提出算法与现有算法的压缩与去噪效果.实验结果表明,新算法有更好的压缩去噪效果,当压缩比为40%时,能量保持率达到了95%以上,能满足工程实际需求.      

智能化滚珠丝杠副退化状态的评估方法

现有滚珠丝杠副退化状态评估方法通常假设已有充足且带标签的数据集,但实际工程应用中故障成本过高、获取标签难度过大,难以在特定工况下获得大量带标签数据集. 针对上述问题,提出一种基于多尺度对抗域对抗学习的智能化状态评估方法,结合注意力卷积神经网络模块和域对抗学习模块,利用不同工况下采集的传感器信号建立深度学习模型,从而自适应地学习域不变特征并实现高效的知识复用和特征迁移;利用多工况下采集的滚珠丝杠副退化信号构建试验数据集来验证方法的有效性. 研究结果表明:本文方法在6个标签缺失跨工况条件下的滚珠丝杠副退化状态识别子任务中均取得了高于89.02%的识别准确率;能够充分迁移带标签数据的关键特征,实现了标签样本缺失条件下目标工况退化状态识别.      

基于集成神经网络的刀具磨损量监测

提出了一种基于集成神经网络识别铣刀磨损量的监测方法．利用小波包变换将切削力和振动信号分解为不同频带的时间序列，从每个信号中选择与刀具磨损状态最相关的3组频段的均方根作为监测特征；通过信号的组合和不同子网络输出决策间的融合，集成神经网络输出刀具磨损的识别结果．试验和仿真分析表明，此方法能够满足刀具磨损量实时监测的要求．     

基于量子遗传算法的数学形态滤波器优化设计

为解决数学形态滤波器结构元素参数优化问题,提出了一种基于量子遗传算法的数学形态滤波器优化设计方法.根据数学形态结构元素参数特点初始化量子遗传种群,通过量子交叉、变异、基于膨胀系数的量子旋转门实现种群的演化进程,进而得到数学形态滤波器的最佳参数.结合仿真实验,研究了不同比例随机噪声、工频干扰噪声下的优化算法性能.仿真结果表明:优化后的数学形态滤波器性能得到较大改善,含随机噪声信号的信噪比由-0.98 dB提高到5.23 dB,含混合噪声信号的信噪比由-3.05 dB提高到0.41 dB,有效滤除了随机噪声、混入工频干扰的混合噪声.      

基于人工智能的丝杠寿命预测技术

为了研究丝杠在不同加工条件下的性能退化趋势,研究了影响丝杠寿命的关键因素:丝杠转速和负载力.利用振动信号和切削力信号实时监测丝杠性能状态,用经验模态分解方法对传感器信号滤波后,通过时域、频域和时频域分析方法提取影响丝杠寿命的关键特征,采用多模型融合技术和B样条模糊神经网络,建立了丝杠寿命预测模型.试验结果表明,寿命预测的最大误差为846 h,能够满足丝杠的主动维护需求.